基于机器视觉的下茧实时检测方法研究

作     者：杨宏宽 

作者单位：昆明理工大学 

学位级别：硕士

导师姓名：张印辉

授予年度：2022年

学科分类：090504[农学-特种经济动物饲养（含：蚕、蜂等）] 0905[农学-畜牧学] 08[工学] 09[农学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：下茧实时检测 YOLO模型 聚类分析 模型压缩 

摘      要：在蚕茧加工过程中需按制丝工艺的要求对不能或很难缫丝的下茧进行剔除,从而提高茧丝质量,但目前下茧检测主要依赖人工目测,不利于下茧客观评判和高效检测。针对上述问题,本文提出采用机器视觉的检测方法代替人工检测下茧,主要研究内容如下:(1)搭建下茧检测图像采集系统并建立下茧检测数据集。首先,合理选择下茧图像采集系统的软硬件平台;然后,根据图像采集系统成像的景深为线阵扫描相机选择合适的拍摄距离,并通过采样频率的计算进一步配置图像采集系统的参数;最后,用采集得到的线阵图像合成面阵图像,并对图像进行扩充和标注构建下茧检测数据集。(2)设计基于模型通道剪枝与感受野增强的下茧实时检测模型。以YOLOv3目标检测模型为基础模型,通过K-means聚类分析出适用于下茧检测的候选框以预置YOLOv3模型参数;根据预设的剪枝率对稀疏化训练后的模型进行基于批量正则化层缩放因子的模型通道剪枝,以此压缩模型权重大小;在剪枝后的模型中嵌入感受野模块,使模型的感受野变大,增强模型的辨别能力和鲁棒性。最终得到的YOLOv3-MC-RFB下茧实时检测模型权重大小为52.10M,平均检测速度达到48.86帧/s,平均检测精度为94.08%,较原YOLOv3基础模型模型权重大小压缩了77.74%,平均检测速度提升了19.18帧/s,平均检测精度提高了6.60%。(3)设计基于轻型调控网络的下茧实时检测模型。以YOLOv4目标检测模型为基础模型,通过K-means算法对下茧检测数据集聚类分析来预置模型候选框参数提升模型精度;采用模型深度调控的方法进行模型压缩,以降低模型权重大小,提升模型速度;设计轻量级卷积模块构建轻量级特征提取网络进一步提升模型的速度。最终得到的YOLOv4-DM-LCM下茧实时检测模型模型权重大小为145.00M,平均检测速度达到49.37帧/s,平均检测精度为95.55%,较原YOLOv4基础模型模型权重大小压缩了40.82%,平均检测速度提升了23.61帧/s,平均检测精度提高了1.87%。(4)下茧实时检测模型的嵌入式平台部署。将YOLOv3-MC-RFB和YOLOv4-DM-LCM下茧实时检测模型在Jetson Nano B01嵌入式实验平台上进行部署测试。通过对比分析YOLOv3-MC-RFB和YOLOv4-DM-LCM在嵌入式实验平台上的检测效果,选取YOLOv4-DM-LCM模型作为完成下茧实时检测任务的深度学习模型。本文为研制下茧实时检测设备提供图像采集系统设计依据以及有效的黄斑茧、瘪茧、薄皮茧、特小茧实时检测深度学习算法。